（Arxiv2025）稀疏可变形Mamba，高光谱分类涨点起飞！

主要观点总结

本文介绍了一篇关于SparseDeformableMambaforHyperspectral Image Classification的论文。该论文提出了一个新的模型SDMamba，它是一种专为高光谱图像分类设计的稀疏可变形神经网络结构。

关键观点总结

关键观点1: 创新点

论文提出了Sparse Deformable Sequencing（SDS）机制，通过可学习的注意力机制选出最相关的一小部分token，自动构建稀疏、可变形的token序列，提升了模型的信息利用率与灵活性，并大幅降低了计算量。

关键观点2: 两个专门模块

为适配高光谱图像的空间-光谱结构特征，作者提出了两个专门的模块：SDSpaM（Sparse Deformable Spatial Mamba）和SDSpeM（Sparse Deformable Spectral Mamba）。前者专注于提取图像的空间信息，后者专注于光谱维度建模。

关键观点3: 注意力引导的特征融合机制

在特征融合时，设计了一个基于注意力机制的特征融合方法，使用SDSpaM的输出生成Query，SDSpeM输出生成Key和Value，通过计算注意力加权后生成融合特征，实现更有效的空间-光谱信息集成。

关键观点4: 模型架构

SDMamba模型的整体结构由四个关键模块组成，包括输入与预处理、Sparse Deformable Spatial Mamba Module、Sparse Deformable Spectral Mamba Module、基于注意力机制的特征融合模块和分类输出。

关键观点5: 实验与可视化结果

论文进行了消融实验，测试了不同稀疏率对性能的影响，并可视化了Indian Pines数据集和Pavia University数据集的分类结果。结果表明，SDMamba模型在保证精度的同时，大幅减少了计算资源的消耗，并在边界清晰度、小类别识别和整体一致性方面优于其他模型。

免责声明